Maskininlärning & vattenmätning

 Bakgrund

Labtrino – som är en KTH Innovation startup – utvecklar intelligenta system för mätning av vattenkonsumtion och läckage. Det finns idag en avsaknad av sensorer vilket lett till bristande kunskap om hur vi konsumerar vatten, och vilka effekter det har på både miljö och plånbok. Med hjälp av en plug and play-installation och högupplöst flödesdata avser Labtrino göra det både enklare och billigare att mäta, samt, och inte minst, erbjuda analyser för att bättre förstå sin vattenkonsumtion.

För att kunna utveckla en så bra lösning som möjligt för användarna, och således öka medvetenheten och minska konsumtionen, behövs en stor mängd data som inte går att införskaffa i laboratoriemiljö. Det finns heller ingen motsvarande data i offentlig miljö från andra parter, eftersom liknande höggranulära datainsamlingar av flödesdata är sällsynta, även på en internationell nivå. Att därför kunna använda KTH Live-in Lab (LIL) som testbädd, där Labtrino kan testa produkten i verkliga bostäder, är ytterst värdefullt.

Projektbeskrivning

Labtrino utvecklar intelligenta system för mätning av läckage och vattenkonsumtion. Genom våra system ämnar vi att skapa medvetenhet och demokratisera vattenförbrukning. Anledningen till att detta behov finns är det den bristen på sensorer som leder till bristande kunskap om hur vi konsumerar vatten och dess effekter på både miljö och plånbok. Med hjälp av en plug and play-installation och högupplöst flödesdata avser vi att göra det enklare och billigare att mäta, men även analysera och förstå sin konsumtion.

För att kunna bidra med en bättre lösning gentemot våra kunder, och således öka medvetenheten och minska konsumtion behöver vi en stor mängd data som inte går att införskaffa i en laboratoriemiljö. Datan finns inte heller offentlig från någon annan part då liknande höggranulära datainsamlingar av flödesdata gjorts extremt sparsamt, även på en internationell nivå.

Vi önskar att utnyttja våra befintliga icke-invasiva sensorer för att mäta högupplöst flödesdata vid ett stort antal tappställen. Syftet med mätningen är att skapa ett dataset som kan användas som inlärning för våra kommande maskininlärningsmodeller. Med hjälp av följande modeller kommer vi framgent kunna avgöra varje individuell lägenhets totala vattenkonsumtion samt per tappställe. Detta kommer att åstadkommas med enbart en mätare placerad på inkommande varm- och kallvattenrör. Vi syftar även till att tillsammans med de boende ta lärdom av våra lösningar för att i framtiden utveckla den optimala lösningen sett till användarvänlighet och förståelse.

Syfte och Mål

Syftet är att samla in och analysera verklighetstrogen förbrukningsdata i ett verkligt scenario, för att undersöka systemets noggrannhet inom vattenmätning, läckagedetektion och effekterna av den medföljande smartphone-applikationen. KTH LIL utformning av lägenheten rörsystem öppnar upp möjligheten för vårt system att lära upp mätarnas matematiska modell med kontrolldata/facit i hand. Denna sortens data kommer att presenteras för hyresgästerna och informera dem om hur och var i hushållet som de använder sitt vatten, och målet blir i slutändan att öka deras medvetenhet och sänka förbrukningen. Ytterligare en följdverkan av vår noggranna mätning är att läckage upptäcks i god tid, och hyresgästerna informeras så snart de upptäcks för att mitigera riskerna med att skador sker.

Genomförande

Mätarna installeras genom att klämmas på med slangklämmor i vattenmätarskåpen i korridorerna på KTH LIL's lägenhet (4 rum). Detta görs innan hyresgästerna flyttar in. Kontroll av data mellan mätare och vår databas kommer göras direkt för att åtgärda eventuella problem med mätare eller uppkoppling.

Därefter kommer vi att skicka ut allmän information samt inloggningsuppgifter till vår smartphoneapplikation till hyresgästerna i syfte att de skall kunna följa upp sin förbrukning i realtid och bli notifierade av eventuella läckage. Inloggning till vår portal för överskådlig visualisering av vattendata kan även ges ut till fastighetsförvaltare för eventuell feedback. Vid behov kan även vår vattendata hämtas ut för att integreras i andra befintliga system.

Samtidigt som flödesdata samlas upp kan forskning & utveckling inom maskininlärning påbörjas till syfte att kunna m.h.a. flödesdata från våra vattenmätare som sitter på stammen/inloppsrören av lägenheten, kunna få fram ny disaggregerad data på hur vattnet i hushållet förbrukas på varje tappställe (dusch, toa, kökskran etc.). Denna mönsterigenkänning kommer framförallt att tas fram med hjälp av flödeshastighet/tid som indata och med vattendata från varje tappställe som kontrolldata.

Vid lyckat resultat kommer denna nya data sedan att integreras och presenteras i hyresgästernas mobilapp i form av en uppdatering av vår app. Vi kommer att utföra intervjuer med hyresgästerna för att kunna få feedback om alla funktioner i appen samt samla in förslag på förbättringar. Vi kommer att analysera hur bra resultatet från vår data disaggregering är genom att undersöka dess träffsäkerhet på klassificering av mätdatat. Vi kommer även att analysera om vi kan observera en statistiskt signifikant sänkning i förbrukning med hjälp av vår app efter en viss tid. Avslutningsvis kommer slutrapportering att ske.